Введення.

Інженерія знань - це область інформаційної технологій, мета якої
- Накопичувати і застосовувати знання, не як об'єкт обробки їх людиною, алеяк об'єкт для обробки їх на комп'ютері. Для цього необхіднопроаналізувати знання та особливості їх обробки людиною ікомп'ютером, а також розробити їх машинне подання. На жальточного й незаперечного визначення, що таке знання, до сихпір не дано. Але тим не менш мета інженерії знань - забезпечитивикористання знань у комп'ютерних системах на більш високому рівні, ніждо сих пір - актуальна. Але слід зауважити, що можливість використаннязнань можлива тільки тоді, коли ці знання існують, що цілкомзрозуміло. Технологія накопичення та підсумовування знань йде пліч-о-пліч зтехнологією використання знань, вони взаємно доповнюють один одного і ведутьдо створення однієї технології, технології обробки знань.

У даній роботі я постарався описати методи вирішення однієї з проблемданого комплексу - це проблеми набуття знань, або говорячи іншимисловами - навчання.

Методи набуття знань.

Придбання знань реалізується за допомогою двох функцій: одержанняінформації ззовні і її систематизації. При цьому залежно від здатностісистеми навчання до логічних висновків можливі різні форми придбаннязнань, а також різні форми одержуваної інформації. Форма представленнязнань для їхнього використання визначається усередині системи, тому формаінформації, яку вона може приймати, залежить від того, які здібностімає система для формалізації інформації до рівня знань. Якщояка навчається система зовсім позбавлена такої здатності, то людина повинназаздалегідь підготувати всі, аж до формалізації інформації, тобто чим вищездатності машини до логічних висновків, тим менше навантаження на людину.

Функції, необхідні навчається системі для придбання знань,різняться в залежності від конфігурації системи. Надалі прирозгляді систем інженерії знань передбачається, що Існує системаз конфігурацією, що на рис, 1.1, яка включає базу знань імеханізм логічних висновків, що використовує ці знання при рішенні задач.
Якщо база знань поповнюється знаннями про стандартну формі їх подання,то цими знаннями також можна скористатися. Отже, від функційнавчання потрібно перетворення отриманої ззовні інформації в знання іпоповнення ними бази знань.

Рис.1 Базова структура систем обробки знань

Можна запропонувати наступну класифікацію систем придбання знань,яка буде спиратися на здатність системи до сприйняття знань у різнихформатах, якісно розрізняються між собою і здатністю доформалізації (рис 2).

Рис 2.Классіфікація методів набуття знань.

Навчання без висновків.

Категорію А можна назвати навчанням без висновків чи механічнимзапам'ятовуванням, це простий процес отримання інформації, при якомунеобов'язкові функції висновків, а отримана інформація у вигляді програм абоданих використовується для вирішення завдань у незмінному вигляді. Іншими словами,це спосіб отримання інформації, характерний для існуючих комп'ютерів.
Категорія Б-це отримання інформації ззовні, представленої у формі знань,тобто У формі, яку можна використовувати для висновків. Системи, що навчаютьсянеобхідно мати функцію перетворення вхідної інформації у формат,зручний для подальшого використання і включення в базу знанні.
Придбання знань на цьому етапі відбувається в найбільш простій формі: цезнання, заздалегідь підготовлені людиною у внутрішньому форматі,якими є більшість спеціальних знанні, спочатку заданих векспертних системах. У разі прикладних систем інженерії знань необхідноперетворити спеціальні знання з якої-небудь області в машинний формат,але для цього потрібен посередник, який добре знає як проблемну область, так іінженерію знань. Таких посередників називають інженерами по знаннях. Загаломвипадку для заміни функції посередника можна використовувати і спеціальніпідпрограми. Тобто необхідно мати функції висновків досить високогорівня, але можна обмежитися і висновками на порівняно низькому рівні, арешту довірити людині - в цьому і полягає набуття знань удіалозі. Прикладом служить добре відома система TEIRESIAS. Це система -консультант у галузі медицини, розроблена на базі системи MYCIN.
Фахівці в проблемної області є викладачами навчаєтьсясистеми, а учень - система інженерії знань - вивчає відповіді напоставлені завдання і коригує ті правила в базі знань, які ранішепризводили до помилок. Для підготовки знань в експертній системі необхіднідопоміжні засоби типу редактора знань, причому в процесінабуття знань в діалозі не тільки редагуються окремі правила іфакти, а й заповнюють недоліки існуючих правил, тобто ведетьсяредагування бази знань.
Якщо знання задані в зовнішньому форматі, наприклад природною мовою, тослід перетворити їх у внутрішній формат. Для цього необхіднорозуміти зовнішнє уявлення, тобто природну мову, графічні даніі т. п. Фактично придбання знань та їх розуміння тісно пов'язані.
Проблема розуміння зводиться не тільки до перетворення структурипропозицій - необхідно отримати формат, зручний для застосування.
Аналогічна проблема - перетворення у внутрішній формат рад,підказок щодо вирішення завдань, що називається «операціоналізації» знань Вцьому полягає центральна проблема штучного інтелекту, яка, вЗокрема, вивчає перетворення рад, підказок, представлених утермінах проблемної області, в процедури. Наприклад, система UNDERSTANDвиконує операціоналізації подання задачі про Ханойські вежі наанглійською мовою шляхом побудови відповідних станів і операцій,що призводять до цих перебуваючи * кіям.

Придбання знань на метауровне

Вище було розглянуто навчання на об'єктному рівні, а ще більш складнапроблема - це здобуття знань на метауровне, тобто знань, основою якихє інформація з управління рішенням задач з використанням знань наоб'єктному рівні. Для знань на метауровне поки не встановлені ні формиподання та використання, ні зв'язок із знаннями на об'єктному рівні, ніінша техніка їх систематизації. Оскільки не визначена форма їхподання з точки зору використання, то важко говорити пропридбанні знань на метауровне. Проте з цією проблемою пов'язанібагато надії в інженерії знань,
Придбання знань з прикладів

Метод придбання знань із прикладів відрізняється від попереднього методу,тим, що тут виконується збір окремих фактів, їх перетворення іузагальнення, а тільки потім вони будуть використані в якості знань. Івідповідно від рівня складності системи виводу в системі будуть виникатирізні за ступенем спільності та складності знання. Необхідно також згадатипро те, що цей метод придбання знань майже не знайшов практичногозастосування, це може бути пов'язано з тим, що вхідна інформаціяявляє собою не систематизований набір даних і для їх обробкипотрібна наявність в системі великих знань по конкретній області.

У порівнянні з попереднім методом придбання знань, цей метод маєбільший ступінь свободи і, відповідно, необхідно описати загальні положенняцього принципу.
1. Мови подання. Навчання за прикладами - це процес збору окремих фактів, їх узагальнення та систематизація, тому необхідний уніфікована мова подання прикладів і загальних правил. Ці правила, будучи результатом навчання, повинні стати об'єктами для використання знань, тому й утворюють мову подання знань. І навпаки, мова представлення знань має враховувати і визначати зазначені вище умови придбання знань.
2. Способи опису об'єктів. У разі навчання. За прикладами з описівокремих об'єктів створюються ще більше слів для опису об'єктів деякогокласу, при цьому виникає важлива проблема: як описати даний класоб'єктів. У повному класі деяких об'єктів слід визначити меншийклас об'єктів, що володіють загальною властивістю (об'єкти тільки в цьому класізаданим володіють властивістю), але насправді простіше визначити списокоб'єктів і переконатися, що всі об'єкти в ньому володіють загальною властивістю. Длядеякого типу завдань можна ефективно використовувати помилкові приклади абоконтрприклади, переконливо показують, що дані об'єкти не входять до цьогоклас .. Ілюстрацією застосування контрприклади може служити поняття «майжето ».

3. Правила узагальнення. Для збору окремих прикладів і створення спільних правилнеобхідні правила узагальнення. Запропоновано декілька способів їх опису:заміна постійних атрибутів мови на змінні, виключення описів зобмеженим застосуванням і т. п. Очевидно, що ці способи тісно пов'язані змовою представлення знань.

4. Управління навчанням. У процесі навчання за прикладами можна застосовуватирізні стратегії структуризації інформації і необхідно управляти цимпроцесом у відповідь на вхідні дані. Існують два класичних методи:метод «знизу-догори», при. якому, послідовно вибираються іструктуруються окремі повідомлення, і метод "зверху-вниз», при якомуспочатку висувається гіпотеза, а потім вона коригується в мірунадходження інформації. На практиці ці методи комбінуються, хочауправління навчанням з максимальним ефектом не така й проста проблема.

При вивченні методу придбання знань за прикладами можна виділитинаступний ряд методів:
Параметричний навчання
Навчання за аналогією
Навчання за індукції.

Параметричне навчання.
Найбільш проста форма навчання за прикладами або спостереженнями полягає ввизначенні загального вигляду правила, що має стати результатом виводу, іподальшого коректування що входять в це правило параметрів у залежностівід даних. При цьому використовують психологічні моделі навчання, системиуправління навчанням і інші методи.

Прикладом навчається системи цієї категорії в галузі штучногоінтелекту є система Meta-Dentral. Ця система виводить нові правилашляхом коригування правил продукцій в процесі навчання або на основі вихіднихмассспектральних даних параметричне навчання в ній представлено вкілька специфічному вигляді, але все-таки вона відносяться до зазначеної вищекатегорії, оскільки в системі задана основна структура знань, якакоректується послідовно за окремими даними.
Яскравим прикладом застосування цього методу придбання знань можуть такожслужити системи розпізнавання образів (що обговорювалися раніше в іншомудоповіді). У них ясно проглядається основний принцип цього методу - в ходінавчання нейронна мережу автоматично за певними заздалегідь законамкоригує ваги зв'язків між елементами і значення самих елементів.

Метод навчання за індукції.

Серед усіх форм навчання необхідно особливо виділити навчання на основівисновків по індукції - це навчання з використанням висновків високогорівня, як і при навчанні за аналогією. У процесі цього навчання шляхомузагальнення сукупності наявних даних виводяться загальні правила. Можливонавчання з викладачем, коли вхідні дані задає людина, що спостерігаєза станом навчається системи, і навчання без викладача, колидані надходять у систему випадково. І в тому і в іншому випадку висновки можутьбути різними, вони мають і різну ступінь складності в залежності відтого, задаються чи тільки коректні дані або в тому числі і некоректнідані і т. п. Так чи інакше, навчання цієї категорії включає відкриттянових правил, побудова теорій, створення структур та інші дії,причому модель теорії або структури, які слід створити, заздалегідь незадаються, тому їх необхідно розробити так, щоб можна було пояснитиусі правильні дані і контрприклади.
Індуктивні висновки можливі у разі, коли подання результату виводучастково визначається з подання вхідної інформації. Останнімчас звертають на себе увагу програми створення програм за зразком звикористанням індуктивних висновків.
Як вже було сказано, індуктивний висновок - це висновок із заданих данихпояснює їх загального правила. Наприклад, хай відомо, що єдеякий многочлен від однієї змінної. Давайте подивимося, як виводитьсяf (х), якщо послідовно задаються в якості даних пари значень (0,f (0)), (1, f (1)), .... Спочатку задається (0, 1), і природно, що єсенс вивести постійну функцію f (х) = 1. Потім задається (1, 1), ця паразадовольняє запропонованої функції f (х) = 1. Отже в цей момент немаєнеобхідності міняти висновок. Нарешті, задається (2, 3), що погано узгоджуєтьсяз нашим висновком, тому відмовимося від нього і після декількох проб і помилоквиведемо нову функцію f (х) == х2-х 1, яка задовольняє всім заданим додосі фактами (0, 1), (1, 1), (2,3). Далі ми переконаємося, що ця ж функціязадовольняє фактами (3, 7), (4, 13), (5, 21) ..., тому немаєнеобхідності змінювати цей висновок. Таким чином, з послідовності пармінлива-функція можна вивести многочлен другого ступеня. Грубо кажучи,такий метод висновку можна назвати індуктивним.
Як видно з цього прикладу, при виводі в кожний момент часу пояснюютьсявсі дані, отримані до цього моменту. Зрозуміло, дані, отриманіпізніше, вже можуть і не задовольняти цього висновку. У таких випадкахдоводиться міняти висновок. Отже, в загальному випадку індуктивнийвисновок-це необмежено довгий процес. І це не дивно, якщозгадати процес освоєння людиною мов, процес вдосконаленняпрограмного забезпечення і т. п.
Для точного визначення індуктивного виведення необхідно уточнити:безліч правил-об'єктів виводу,метод подання правил,спосіб показу прикладів,метод виводу ікритерій правильності виведення.
Як правил-об'єктів виведення-можна розглядати головним чиноміндуктивні функції, формальні мови, програми і т. п. Крім того, ціправила можуть бути представлені у вигляді машини Тьюринга для обчисленняфункцій, граматики мов, операторів Прологу і іншим способом. Машина
Тьюрінга-це математична модель комп'ютера, її в принципі можна вважатипрограмою. У разі коли об'єктом висновку є формальний мову, він самвизначає правила, а його граматика - метод подання правил, томуговорять про граматичному висновку.
Для показу прикладів функції f можна використовувати послідовність пар
(х, f (х)) вхідних та вихідних значень так, як зазначено вище,послідовність дій машини Тьюринга, обчислюють і інші дані.
Завдання машині висновків пари вхідних та вихідних значень (х, f (х)) функції fвідповідає завданням системі автоматичного синтезу програм вхіднихзначень х і вихідних значень f (х), які повинні бути отриманіпрограмою обчислення f у відповідь на х. У цьому сенсі автоматичний синтезпрограм за прикладами також можна вважати індуктивним висновком функції f.
Формальні мови - це безліч слів, тому, наприклад, для мови L можнарозглядати ва типу слів, що належать і не належать цій мові.
Перші назвемо позитивними, а другу - негативними даними. Іншимисловами, є два способи показу прикладів формальної мови: за допомогоюпозитивних і негативних даних. Коли об'єктом служать самі програми,тоді те ж саме можна говорити про функції мови Лісп, але для Прологупоказ прикладів здійснюється у вигляді фактів. Наприклад, (3> 4, істина),
(2 припущення -> вихідні дані.
Іншими словами, при виводі послідовно отримують приклади як вхіднідані, обчислюють припущення па даний момент і видають результатобчислень. Припущення в кожний момент часу засноване на обмеженомучислі прикладів, отриманих до цих пір, тому зазвичай як методувиведення використовують машину Тьюринга, яка обчислює припущення пообмеженого числа прикладів. Таку машину назвемо машиною висновків.
Враховуючи, що індуктивний висновок, як вже було зазначено, це необмеженотриваючий процес, критерієм правильності виведення, як правило, вважаютьпоняття ідентифікації в межі. Це поняття введено Голд, воновикористовується майже завжди в теорії індуктивних висновків. Кажуть, що машинавиведення М ідентифікує в межі правило R, якщо при показі прикладів Допослідовність вихідніх даних, що генеруються М, сходиться до деякогоподанням т, а саме: всі вихідні дані, починаючи з деякогомоменту часу, збігаються з т, при цьому т називають правильнимподанням К.. Крім того, кажуть, що безліч правил Г дозволяєзробити індуктивний висновок, якщо існує деяка машина висновків М,яка ідентифікує в межі будь-яке правило ДО із безлічі Г. Звернітьувагу на те, що слова «дозволяє зробити індуктивний висновок» не маютьсенсу для єдиного правила, а відносяться тільки до безлічі правил.

Навчання за аналогією.

Придбання нових понять можливо шляхом перетворення існуючихзнань, схожих на ті, які збираються отримати. Це важлива функція,яку називають навчанням на основі висновків за аналогією або простонавчанням за аналогією. У нашому житті багато прикладів, коли нові поняттяабо технічні прийоми купуються за допомогою аналогії

Висновки за аналогією - один з важливих об'єктів дослідження штучногоінтелекту, найбільш цікаві результати отримані тут П. Уїнстоном. Вінвикористовує висновки по аналогії, грунтуючись на такій гіпотезі: «Якщо дваситуації подібні за кількома ознаками, то вони подібні і ще По одномуознакою ». Подібність двох ситуацій розпізнається шляхом виявлення найкращихзбігів з найбільш важливих ознаками.

Аналогія-це метод висновків, при яких виявляється подібність міждекількома заданими об'єктами; завдяки перенесенню фактів і знань,справедливих для одних об'єктів, на основі цього подібності на зовсім іншіоб'єкти або визначається. спосіб вирішення завдань, або передбачаєтьсяневідомі факти і знання. Отже, коли людина стикається зневідомої завданням, він на перших порах використовує цей природний методвиводу.
Напрямки дослідження аналогією
Одна з найважливіших проблем інженерії знань-здобуття знань. Підпридбанням тут розуміється отримання знань у вигляді, придатному для їхвикористання комп'ютерами, тому багато дослідників вказують, щоключем до знань є теорія і методологія машинного навчання. Загаломвипадку машинне навчання включає придбання нових декларативних знань,систематизацію та зберігання нових знань, а також виявлення нових фактів.
Серед зазначених форм навчання аналогія, про яку йтиме далі мова,пов'язана, і зокрема, з проблемою машинного виявлення нових фактів.
Під новими фактами ми будемо розуміти факти, які дедуктивно НЕвиводяться з деяких існуючих знань. Отримання нових знань такожрозглядалася вище у відношенні до індуктивному висновку. У загальному випадку приіндуктивних висновках за заданими даними створюється гіпотеза, що пояснює їх,а за допомогою дедукції з цієї гіпотези можна вивести нові факти. З іншогобоку, за аналогією нові факти передбачається шляхом використаннядеяких перетворень вже відомих знань.
Індукція і аналогія вкрай необхідні при обробці інтелектуальноїінформації, і тому бажано викласти основи їх спільного застосування.
Шапіро запровадив сувору формалізацію індуктивних висновків в частині виведення моделейз використанням логіки предикатів першого порядку; в теорії індуктивнихвисновків є помітні успіхи.

З метою огляду досліджень аналогії, проведених до теперішнього часу,виділимо два типи аналогії: для вирішення завдань і для передбачення майбутнього. Аналогіяпершого типу застосовується головним чином для підвищення ефективностівирішення завдань, які, взагалі кажучи, можна вирішити й без аналогії.
Наприклад, завдяки використанню рішень аналогічних завдань в областяхпрограмування та докази теорем можна прийти до висновків пропрограмах або доказах. З іншого боку, використовуючи аналогію дляпрогнозів, завдяки перетворенню знань на основі подібності міжоб'єктами можна зробити висновок про те, що, можливо, справедливі новіфакти. Наприклад, якщо об'єктами аналогією є якась система аксіом, тознаннями можуть бути теореми, справедливі в цій системі. При цьому,використовуючи схожість між системами аксіом, можна перетворити теорему воднієї із систем в логічну формулу для іншої системи і зробити висновок проте, що ця формула є теорема. Іншими словами, аналогія використовується ідля вирішення деяких строго сформульованих завдань і для передбачення майбутнього, атакож для придбання не заданої раніше інформації.
Прикладом використання методу придбань знань за аналогією може служитисистема доведення теорем. При цьому загальна схема виведення виглядаєнаступним чином.

Рис. 3 Стратегія абстрагування.

-----------------------< br>Людина

Механізми висновків навчальної системи

Механізми висновків для користувача системи

База знань

Методи набуття знань

Навчання на прикладах

Навчання на метауровне

Навчання без висновків

Отримання даних представлених у вигляді знань (Категорія Б)

Просте запам'ятовування даних ( Категорія А)

Одержання знань, представлених в зовнішньому форматі і їх розуміння

Одержання знань, представлених у внутрішньому форматі в режимі діалогу

Отримання готового набору знань, представлених у внутрішньому форматі

Завдання
(довести T)

Абстрактна задача
(довести T `)

Рішення P

Абстрактне рішення P`

Абстрагування

Традиційне рішення завдання